基于人工蜂群优化支持向量参数的压气机特性线的表达

发布时间：2021-09-17 15:01

　　为克服传统方法对压气机特性线内插与外推预测性能模拟精度不高的问题及准确实现压气机在变工况条件下基于部件特性线行为的燃气轮机热力学仿真计算,一种基于蜜蜂采蜜行为的人工蜂群（artificial bee colony, ABC）优化支持向量机（support vector machine, SVM）参数的方法被提出并用于压气机特性线的表达。从泛化精度及计算耗时的角度,与常用的BP算法、粒子群算法和网格寻优法的SVM模型相比较。同时,为验证训练样本容量对实验结果的影响,减少样本集数量,对比同一转速下不同算法的预测性能曲线及柱状残差图。应用分析表明,不同转速下基于ABC算法优化的SVM模型在压气机特性线的表达上具有更佳的预测精度和计算实时性,并且该方法不随样本容量波动而精度失准,具有良好的鲁棒性。 

【文章来源】：燃气轮机技术. 2020,33(04)

【文章页数】：10 页

【部分图文】：

图2 支持向量回归机模型

ABC-SVM算法用于压气机特性线表达的流程图

为了验证ABC优化SVM参数算法对压气机流量特性预测的准确性,从泛化精度及计算耗时的角度,与常用的人工神经网络BP算法以及采用PSO优化的和基于交叉验证网格寻优法(CV-GS)优化的SVM模型进行对比。此外,为探究训练样本容量对于仿真预测结果的影响,设置两种对比模型:模型一代表压气机流量特性取样数据点数为140个,用尾数1表示;模型二代表取样数据点数为77个,用尾数2表示。对比同一转速下不同算法的预测性能曲线得到图4～图6所示。图5 中转速区域流量内插特性的比较

【参考文献】：
期刊论文
[1]燃气轮机性能下降原因分析及其解决方案[J]. 张明升.  石化技术. 2019(04)
[2]基于MEA-BP神经网络的压气机特性曲线预测[J]. 黄伟,常俊,孙智滨.  重庆理工大学学报(自然科学). 2019(02)
[3]基于热力模型的燃气轮机气路故障预测诊断研究综述[J]. 应雨龙,李靖超,庞景隆,余特,刘扬.  中国电机工程学报. 2019(03)
[4]基于数据和神经网络的压气机性能预测研究[J]. 周奎,刘尚明.  热力透平. 2017(03)
[5]联合循环热电联产机组变工况性能分析[J]. 杨承,黄志峰,马晓茜.  中国电机工程学报. 2017(12)
[6]轴流压气机吞水后的性能变化研究[J]. 杨璐,郑群,张海,樊双明,柴柏青,杨昊.  推进技术. 2017(07)
[7]人工蜂群算法研究综述[J]. 秦全德,程适,李丽,史玉回.  智能系统学报. 2014(02)
[8]支持向量机理论与算法研究综述[J]. 丁世飞,齐丙娟,谭红艳.  电子科技大学学报. 2011(01)



本文编号：3398953